共查询到17条相似文献，搜索用时 234 毫秒
1.
《江苏农业学报》2018,(5)
为寻求同一背景不同人类干扰程度下的土壤有机质含量的最佳预测模型,本研究以天山北麓的土壤为研究对象,运用Landsat8遥感影像以及实测光谱2种方式进行对比,结合不同的综合光谱指数,对无人干扰区、人为干扰区的影像反射率和实测光谱反射率进行光谱变换,分析反射率及其变换形式与有机质含量的相关性,以相关系数通过0. 01和0. 05显著性水平检验的波段作为自变量,运用多元线性回归方程分别建立了无人干扰区、人为干扰区土壤有机质含量高光谱预测模型,精度最高的为最优模型。结果表明:(1) Landsat8影像中B1～B5波段与有机质含量的相关系数通过了0. 01与0. 05显著性水平检验,作为自变量建立有机质含量预测模型。同时,为了能与影像反射率有个良好的对比,实测光谱反射率及其变换形式同样也选择5个相关系数最大的波段作为敏感波段用以建立模型。在影像与实测光谱中,土壤盐分指数结合植被指数与有机质含量相关性最好的分别是无人干扰区的SI_3、DVI和SI_3、RVI;人为干扰区的SI_2、RVI和SI_1、RVI。在结合光谱综合指数的模型中,无论是影像还是实测光谱,都是以反射率与植被指数、盐分指数相结合作为自变量建立的模型精度最好。对比2种预测方式,预测效果最好的是利用实测光谱与盐分指数、植被指数建立的无人干扰区一阶微分的多元线性回归模型以及人为干扰区的倒数之对数一阶微分的多元线性回归模型,R~2分别为0. 93和0. 89。 相似文献
2.
定量分析了北京顺义、通州区土壤高光谱反射特征,利用资源三号、高分一号、高分二号传感器的光谱响应函数,结合高光谱数据生成相应宽波段模拟数据;将土壤光谱数据、拟合宽波段数据分别与实测土壤有机质含量开展相关性分析,提取并筛选敏感波段,利用偏最小二乘法建立基于高光谱数据的土壤有机质含量预测模型;依据宽波段模拟数据和实测土壤有机质含量的相关性,提取并筛选敏感波段,建立土壤有机质含量预测模型。结果表明,在基于土壤高光谱数据建立的土壤有机质含量预测模型中,以对数的一阶微分为最优,其R和RMSE分别为0.697和0.195,偏最小二乘法得到的反演土壤有机质含量的模型是可靠的;在基于模拟宽波段构建的土壤有机质含量估测模型中,以高分一号的拟合精度最高,R和RMSE分别为0.334和0.240;受室外不可控因素的影响,模拟宽波段数据在估测北方地区土壤有机质含量方面仍需进一步研究。 相似文献
3.
《山东农业大学学报(自然科学版)》2021,(4)
本文以钢城区2个丘陵村耕地土壤为研究对象,通过野外采样、自然风干、化验分析、高光谱测定及数据处理等,确定最佳高光谱变换方式并筛选显著性波段,建立随机森林(RF)、支持向量机(SVM)、偏最小二乘回归(PLSR)和多元逐步回归(SMLR)4种估测模型,对比分析确定最佳估测模型。结果表明:高光谱变换处理可以扩大光谱曲线特征,提高与机质含量的相关性;一阶微分R’为最佳高光谱变换方式,筛选出706、1002、1359、1415、1886、1914和2221 nm 7个波段作为估测土壤有机质含量的显著性波段;建立的4种估测模型中,RF模型精度最高,其训练样本集R~2和RPD分别达到0.93、3.13,验证样本集R~2和RPD为0.73、1.87。因此,研究构建的R’-RF土壤有机质含量高光谱估测模型可为该丘陵区有机质含量的快速监测提供参考。 相似文献
4.
[目的]以陕西杨凌示范区耕层土壤为对象,通过采集、测定耕层土壤的有机质含量,并结合野外相应高光谱数据和光谱响应函数,利用模拟宽波段数据估测土壤有机质含量。[方法]通过分析土壤有机质含量与光谱间的内在关系,筛选敏感波段,构建估测土壤有机质含量模型;以宽波段波段响应函数、土壤高光谱数据为基础,通过模拟宽波段数据,构建估测土壤有机质含量模型;通过高光谱与模拟宽波段数据的对比分析,研究基于宽波段遥感数据定量估测土壤有机质含量的可行性。[结果]基于宽波段数据估测土壤有机质的精度相对较高。[结论]利用宽波段数据估测土壤土壤有机质含量具有可行性,2%并非利用光谱数据估测土壤有机质含量的下限。 相似文献
5.
《西南林业大学学报》2017,(3)
基于Hyperion高光谱数据,采用2种方法进行波段选取,将选择的波段数据进行特征提取变量,采用偏最小二乘法分别对2种方法选择的特征变量建立香格里拉主要树种郁闭度遥感估测模型,并进行精度检验评价。结果表明:基于实测样地郁闭度差异特征分析选择的Hyperion特征波段建立的模型R~2为0.837、估测精度为82.09%,基于遥感影像进行分段主成分分析选择的Hyperion特征波段建立的模型R~2为0.764、估测精度为78.4%,基于样地数据郁闭度变化敏感性分析模型优于基于Hyperion影像的分段主成分分析模型;分段主成分分析法所选出的特征波段虽然包含了较多的波段信息,但是很多为连续波段或者波长较近的波段,波段之间的相关性较高,导致建模精度不如预期。 相似文献
6.
该文基于地貌类型分析土壤有机质含量与多光谱遥感影像光谱波段之间相关关系,并构建不同地貌类型区有机质含量反演模型.结果表明,各波段光谱反射率与土壤有机质含量均呈负相关关系;利用SPSS软件对所有波段进行剔除变量(remove)线性回归分析,当全部波段参与构建反演模型时,一次反演模型拟合效果较好.分地貌类型区构建土壤有机质反演模型精度高于整个区域反演模型精度,与实际值对比,当允许误差为7％时,土壤有机质含量识别度为91.65％.基于地貌类型构建土壤有机质含量反演模型提取研究区土壤有机质含量是切实可行的,且精度较高. 相似文献
7.
通过分析土壤的主要养分含量与无人机遥感影像之间的关系,对于遥感在农业生产中的应用有重要意义.选取了昆明市云南农业大学后山试验田为研究区域,用无人机挂载多光谱相机获取研究区多光谱遥感影像.采集0～20 cm的土壤样本,并检测了土壤的理化性质及主要养分含量.通过多光谱影像不同光谱反射率及合成指数值对土壤主要养分含量进行相关性及多元逐步回归分析.结果表明:单一波段无法建立较好的回归模型,通过波段合成指数可以有效提高建模的精度.其中OSAVI、DVI、NDVI指数与K的三次方曲线的反演效果较好,R2=0.641,RMSE=49.74.表明该反演模型有较高的精度和稳定性,这为遥感技术在土壤养分含量的快速测定提供了新的途径. 相似文献
8.
【目的】研究利用高光谱数据估算土壤表层有机质含量,为绿洲区大范围,快速,低成本,监测土壤表层有机质含量提供技术参考。【方法】以新疆博斯腾湖湖滨绿洲为研究区,采用地理加权回归模型,优选高光谱数据与土壤有机质含量的特征波段,构建研究区表层土壤有机质含量的高光谱估算模型。【结果】研究区表层土壤有机质含量变化不大,变化系数为55%,最小值为2.37 g/kg,最大值为51.47 g/kg,平均值为21.20 g/kg。土壤有机质特征波段主要集中在645~1 958 nm,其中1/R二阶的相关系数值最大为0.73,且在P=0.05水平下,通过显著性检验的波段数为83。构建的地理加权回归模型中,二维土壤指数1/R RSI建模效果最优,建模集R2=0.91,RMSE=2.56,验证集R2=0.95,RMSE=1.10。【结论】利用地理加权回归模型估算土壤有机质估算,建模效果可以达到一定的精度要求。 相似文献
9.
基于GF-1土壤有机质含量估测的研究 总被引：1，自引：0，他引：1
【目的】本试验利用GF-1遥感影像估测土壤有机质含量。【方法】该文对扶余市耕作区土壤进行采样,在实验室化验土壤样品的有机质含量,分析GF-1各波段反射率及其变换形式与土壤有机质含量的相关性,确定有机质的敏感波段,建立土壤有机质含量的单波段与多波段估测模型,旨在通过比较估测模型的精度和稳定性,确定研究区土壤有机质含量的最优估测模型。【结果】F-1各波段反射率与有机质含量均呈显著负相关,且在第3波段达到最大值,其相关系数为-0.805,均方根误差为0.362;将反射率进行幂、指数变换以后可以有效提高与有机质含量的相关性,相关系数分别提高至-0.886和-0.872,均方根误差下降至0.283和0.342;利用前3个波段反射率指数变换建立起的多元估测模型,模型判定系数R~2达到0.851,检验样本的均方根误差降低至0.172,表明此模型的估测精度较高、稳定性较好。【结论】GF-1遥感影像可以作为估测土壤有机质含量的遥感数据源,并为使用GF-1遥感影像估测土壤成分等方面的研究提供参考。 相似文献
10.
南方丘陵稻田土壤全钾和速效钾高光谱特征与反演模型研究 总被引：1，自引：0，他引：1
以兴国县稻田土高光谱反射率为研究对象,对比分析了同一种光谱反射率变换形式下土壤全钾、速效钾与高光谱反射率的相关性,提取了全钾和速效钾的高光谱敏感波段,建立了基于反射光谱特征的南方丘陵稻田土全钾、速效钾高光谱反演模型.经分析可知,在355～620 nm波段,土壤全钾、速效钾含量与光谱反射率相关性同增同减,而在621～2 250 nm波段内,土壤全钾含量与光谱反射率相关性要大于土壤速效钾;通过分析兴国县稻田土全钾、速效钾含量与光谱反射率18种数学变换的相关系数,提取全钾的敏感波段为602、804 nm,速效钾的敏感波段为602、1 058、1 638、2 214 nm;采用偏最小二乘回归,利用高光谱指数构建的反演模型能较好地预测全钾、速效钾含量,模型建模的相关系数和验证系数都较高,基于速效钾含量建立的南方丘陵稻田土高光谱反演模型预测能力较好. 相似文献
11.
12.
以托克托县境内120个土壤有机质含量以及对应光谱数据为数据源,探究了不同土壤类型与土地利用类型下土壤有机质高光谱反演研究的可行性,采用连续小波变换对原始光谱（R）、光谱倒数（1/R）、光谱对数（LnR）、光谱一阶微分（R′）进行分解生成小波系数并与土壤有机质进行相关系分析,提取特征波段建立BP神经网络与支持向量机模型（SVM）。结果表明：①R、1/R、LnR、R′与土壤有机质相关系数经过连续小波变换后,较之前增加了0.204、0.090、0.199、0.252,表明连续小波变换可深度挖掘光谱潜在信息,提升与有机质含量之间的相关系数。②未经过连续小波处理前,SVM无法实现对当地土壤有机质含量的预测,经过处理后,模型SVM-CWT-R与SVM-CWT-R′的精度决定系数分别达到了050、0.56,均方根误差为0.17、0.15,相对分析误差为1.62、1.53,实现了对土壤有机质的有效估算。③经过连续小波变换后BP神经网络预测模型结果得到提升,其中BP-CWT-LnR预测模型效果最佳,精度决定系数达到0.76,较之前BP-LnR提升了0.2;均方根误差达到015,降低0.04;相对分析误差为2.12,增加了0.87。因此利用BP-CWT-LnR高光谱反演模型进行区域土壤有机质遥感监测,可为当今精准农业提供理论参考与技术支持。 相似文献
13.
土壤水与有机质对高光谱的作用及交互作用规律 总被引：3，自引：0，他引：3
【目的】定量揭示土壤水分与有机质对高光谱的作用规律,为提高土壤水分、有机质的光谱估测精度提供基础。【方法】以山东省泰安市岱岳区90个棕壤土样为研究对象,进行室外光谱采集、室内土壤水分和有机质测定,运用Savitzky-Golay filter对光谱曲线进行平滑去噪预处理。根据含水量、有机质含量的高低将土壤样本分为9组,运用比较法对9组原始光谱数据进行分析,初步探究土壤水、有机质对光谱的作用规律。然后采用相关分析法,分析水、有机质与土壤原始光谱反射率(raw spectral reflectance,R)、光谱一阶微分变换(first order differential reflectance,D(R))以及分组光谱的相关性。在假定其他影响因素基本相同的条件下,利用有交互作用的双因素方差分析法,定量分析水、有机质对土壤光谱反射率、光谱一阶微分的作用程度及其交互作用。根据土壤水与有机质的交互作用规律,按相关系数较大而交互作用小的原则选取特征因子,采取偏最小二乘回归模型建立土壤有机质含量的高光谱估测模型,分析依据两者交互作用规律选取的因子对提高光谱估测模型精度的有效性。【结果】在田间持水量范围内,水对土壤光谱反射率影响起主要作用;水与有机质对土壤光谱客观存在交互作用,当土壤含水量小于10%时,600—1 800 nm的原始光谱能较好反映有机质的作用,而当土壤含水量大于15%时,有机质的作用几乎被水的作用所掩盖。水、有机质对土壤原始光谱的作用及其交互作用分别在360—1 800,410—1 800,509—1 800 nm达到显著水平,且三者均在1 951—2 450 nm达到显著水平(α=0.05);对土壤光谱的作用程度由大到小依次为:水、有机质、交互作用;在425—1 800 nm水对土壤光谱的作用大约是有机质的5—8倍,在1 950—2 300 nm为8—12倍;在350—2 500 nm有机质对土壤光谱的作用大约是水与有机质交互作用的2倍。光谱经一阶微分变换之后,在450—530、600—790、1 019—1 027、2 000—2 020以及2 045—2 075 nm土壤水的作用增强,而在其他波段处减弱;土壤有机质的作用在471—824、851—949、967—1 140、1 172—1 340、1 379—1 428、1 450—1 770、1 953—2 122、2 174—2 199以及2 271—2 342 nm处得到增强,而在其他波段处减弱。水与有机质的交互作用也在不同波段处有所变化,但相对于土壤水与有机质的作用变化幅度而言是相对减弱的。基于土壤水与有机质的交互作用规律选取的特征因子,所建立的土壤有机质高光谱估测模型精度有所提高,其中16个检验样本的决定系数R2由不考虑交互作用的0.6764提高到0.7934。【结论】研究表明,在反演土壤含水量时,可以不考虑有机质对光谱的影响;而在反演有机质含量时,必须要剔除水对反射率的影响,还要考虑水与有机质对光谱的交互作用。考虑水与有机质对土壤光谱的交互作用,可有效提高土壤有机质的光谱估测精度。 相似文献
14.
小波分析用于土壤速效钾含量高光谱估测研究 总被引：7，自引：0，他引：7
【目的】对土壤高光谱数据去噪提纯,提高土壤速效钾含量高光谱估测模型的精度和实用性。【方法】选取土壤有机质、碱解氮、有效磷含量近似而速效钾含量差异较大的样本76个,对土壤样本反射率对数的一阶导数光谱分别基于4种函数进行多层小波离散分解;提取小波低频系数,构建土壤速效钾含量高光谱估测模型。【结果】小波分解1-3层获得的低频系数可用以代表原始光谱。基于各小波函数相同尺度的低频系数,土壤速效钾含量估测建模精度差异不大。其中基于Bior 1.3函数分解的第2层低频系数建模精度略高,作为最佳估测模型,在数据压缩到25%、反映输入光谱信息95.6%的基础上,建模R2达到0.976,RMSE为10.66 mg•kg-1,经验证模型具有较好的预测准确度。【结论】通过小波分析获得小波系数,既提取了土壤高光谱信息,又对数据进行了压缩,结合偏最小二乘回归预测土壤速效钾含量是可行的。 相似文献
15.
土壤有机质高光谱特征与波长变量优选方法 总被引：6，自引：0，他引：6
【目的】探究土壤有机质的高光谱特征及响应规律,优选土壤有机质的敏感波长,降低土壤有机质高光谱估测模型复杂度,提高模型稳健性,为利用高光谱技术对农田土壤肥力的定量监测提供理论支撑。【方法】采集江汉平原潮土土样130个,将其中40个样本作为训练集,测量其去有机质前、后的土壤有机质含量及光谱数据,计算差值及变化率,分析土壤有机质含量变化对光谱特征的影响,结合无信息变量消除(uninformative variables elimination,UVE)、竞争适应重加权采样(competitive adaptive reweighted sampling,CARS)变量优选方法确定土壤有机质敏感波长;采用45个建模集样本,基于偏最小二乘回归(partial Least Squares Regression,PLSR)和反向传播神经网络(back propagation neural network,BPNN)建立土壤有机质含量的估算模型;利用45个验证集样本检验敏感波长对同类土壤的适用性。【结果】通过有机质去除试验,供试土壤的平均光谱反射率在全波段均有所增加,在可见光波段变化率高于近红外波段;比较UVE、CARS、UVE-CARS、CARS-UVE这4种变量优选方法,得到最佳变量优选方法为UVE-CARS,该方法从2001个波长变量中优选得到84个变量作为土壤有机质的敏感波长,分布于561—721、1 920—2 280 nm波段覆盖范围;基于敏感波长的PLSR、BPNN模型性能均优于全波段模型,其中,基于敏感波长的BPNN模型的估测能力高于PLSR,模型验证集R~2、RMSE、RPD、MAE、MRE值分别为0.74、1.33 g·kg~(-1)、2.02、1.04 g·kg~(-1)、6.2%,可实现土壤有机质含量的有效估测。【结论】通过训练集获得的土壤有机质敏感波长,能够实现对该试验区同种土壤类型样本土壤有机质含量的有效估测;利用去有机质试验结合变量优选方法确定的敏感波长建模,不仅将输入波长压缩至全波段波长数目的 4.2%,而且提升了模型估测精度,降低了变量维度和模型复杂度,为快速准确评估农田土壤有机质含量提供了新途径。 相似文献
16.
[目的]利用高光谱遥感,对武夷山土壤有机质进行研究,建立了土壤有机质高光谱反演模型,为今后武夷山地区土壤有机质含量的快速测定提供理论依据。[方法]利用ASD Field Spec Pro地物光谱仪对不同有机质土壤进行光谱测量,采用有机质速测法对土壤有机质含量进行测定。[结果]762 nm为土壤有机质的敏感波段,其相关系数为-0.771,然后建立拟合方程为:Y=61.823-129.274x,拟合度为0.820。[结论]提出今后亚热带地区土壤高光谱的研究方向。 相似文献
17.
贾树海 《内蒙古农业大学学报(自然科学版)》1992,(4)
本研究以内蒙古奈曼旗为研究对象,对奈曼幅卫星图象上的各种土壤景观类型进行了密度值的测定,经灰标等级转换为幅射值。土壤景观幅射值与土壤表层(0～10cm)有机质含量相关分析的结果表明:春秋季双时像七个波段中以秋季第四波段放果最佳(R=0.978,S=0.844),相关关系为 Y=ax~(-b)。需要特别指出的是,本研究发现,这种关系在土壤有机质含量低于1.5%时,仍然存在。 相似文献